LESESAAL

Eine KI-gestützte Kunstbibliothek

Automatisierte Erfassung, Katalogisierung und Veröffentlichung einer Kunstbuch-Sammlung

Projektvision

Der LESESAAL ist eine vollautomatisierte Kunstbibliothek, die den gesamten Workflow von der physischen Buch-Erfassung bis zur öffentlichen Web-Veröffentlichung ohne manuelle Eingriffe abbildet. Kern ist die Integration von KI-Agenten, moderner Bildverarbeitung und einem robusten Tech-Stack.

Systemarchitektur

Überblick

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│   Telegram      │────▶│  OpenClaw       │────▶│  Obsidian       │
│  (Foto Upload)  │     │  Agent System   │     │  (Knowledge)    │
└─────────────────┘     └─────────────────┘     └─────────────────┘
                               │
                               ▼
                    ┌─────────────────┐
                    │  Tech Stack     │
                    │  - GLM LMM      │
                    │  - Perplexity   │
                    │  - Ollama       │
                    └─────────────────┘
                               │
                               ▼
                    ┌─────────────────┐
                    │  Publishing     │
                    │  - GitHub       │
                    │  - Vercel       │
                    │  - lesesaal.de  │
                    └─────────────────┘

Komponenten im Detail

1. Eingabe-Layer: Telegram

Funktion: Mobile Datenerfassung

Buchcover-Fotos werden direkt per Smartphone in einen dedizierten Telegram-Chat geschickt
Automatische Weiterleitung an den OpenClaw-Agenten
Unterstützt Batch-Uploads (mehrere Bücher gleichzeitig)
Zeitstempel und Sender-Information für Protokollierung

Vorteile:

Keine zusätzliche App nötig
Sofortige Verfügbarkeit der Bilder
Dezentrale Erfassung von überall

2. Agent-Layer: OpenClaw

Funktion: Zentrale Steuerung und Orchestrierung

Hardware:

Mac mini Pro (Apple Silicon)
Lokal gehostet für Datenschutz und Geschwindigkeit
Continuous Operation via Daemon

OpenClaw Features:

Multi-Agent-System: Spezialisierte Agenten für verschiedene Aufgaben
Memory Management: Kontinuierliches Lernen über Bibliotheksstruktur
Skill-Integration: Modulare Erweiterbarkeit
Cron-Jobs: Automatisierte Background-Tasks

Agent-Rollen:

Agent	Aufgabe
Buch-Agent	Bildanalyse und initiale Metadaten-Extraktion
Recherche-Agent	Perplexity-API für bibliografische Verifikation
Katalog-Agent	Erstellung von Markdown-Profilen
Index-Agent	Aktualisierung aller Index-Dateien
Publishing-Agent	Git-Commits und Deployment-Trigger

3. KI-Analyse-Layer

3.1 Bildanalyse: GLM LMM über Ollama

Technologie:

GLM-4 (General Language Model) als Large Multimodal Model
Ollama als lokaler Inference-Server
Cloud-Version für komplexe Analysen

Prozess:

Bild wird vom Cover in Base64 kodiert

Anfrage an GLM mit Prompt:

"Analysiere dieses Buchcover. Extrahiere: 
- Titel und Untertitel
- Autor(en)
- Verlag
- Erscheinungsjahr
- Visuelle Beschreibung des Covers
- Vermutetes Genre/Thema"

Strukturierte Antwort mit Konfidenz-Scores
Fallback zu menschlicher Verifizierung bei Unsicherheit

Vorteile:

Lokal hostbar (Datenschutz)
Keine API-Kosten für Basis-Analysen
Schnelle Inferenz auf Apple Silicon

3.2 Tiefenrecherche: Perplexity Sonar

Technologie:

Perplexity API (Sonar-Modell)
Deep Research Capabilities
Echtzeit-Web-Suche

Anwendung:

Verifikation der extrahierten Metadaten
Ergänzung fehlender Informationen (ISBN, Seitenzahl, etc.)
Kontextuelle Recherche (Künstlerbiografie, Epoche, Bedeutung)
Mehrsprachige Quellen (Deutsch, Englisch, Französisch)

Beispiel-Query:

"Finde bibliografische Details zu: 
'Alt-Irland: Frühchristliches Irland' von Máire und Liam de Paor.
Verlag, Jahr, ISBN, Seitenzahl, Originaltitel."

Ergebnis:

Strukturierte JSON-Daten
Quellenangaben für jede Information
Konfidenz-Rating

4. Knowledge-Layer: Obsidian

Funktion: Zentrale Wissensdatenbank

Struktur:

📁 Bibliothek/
├── 📄 BIBLIOTHEK.md              # Master-Katalog
├── 📁 _index/
│   ├── nach-kuenstler.md         # Alphabetischer Index
│   ├── nach-lagerfach.md         # Physische Standorte
│   ├── nach-epoche.md            # Kunsthistorische Epochen
│   ├── nach-verlag.md            # Verlags-Index
│   └── nach-erscheinungsjahr.md  # Chronologischer Index
├── 📁 buecher/
│   ├── de-paor-maire-liam_alt-irland.md
│   ├── matisse-loeuvre-grave.md
│   └── ... (160+ Buchprofile)
└── 📁 covers/
    ├── bk0139-alt-irland-fruehchristliches-irland.jpg
    └── ... (160+ Cover-Bilder)

Frontmatter-Schema:

---
id: "BK-0139"
titel: "Alt-Irland: Frühchristliches Irland"
autor: ["de Paor, Máire", "de Paor, Liam"]
verlag: "Deutscher Bücherbund"
erscheinungsjahr: "1960"
seiten: "263"
lagerfach: "A7"
cover_url: "../../covers/bk0139-alt-irland.jpg"
dg-publish: true
---

Automatisierte Index-Generierung:

6 verschiedene Index-Dateien
Bidirektionale Links zwischen Büchern und Indizes
Automatische Zähler-Aktualisierung
Cross-Referencing

5. Publishing-Layer

5.1 GitHub Repository

Struktur:

lesesaal/
├── content/          # Obsidian Vault (Markdown)
├── public/           # Statische Assets (Cover-Bilder)
├── src/              # Publishing-Logik
├── package.json
└── vercel.json

Workflow:

Agent führt git add, git commit, git push aus
Commit-Message mit Batch-Information
Branch: main → auto-deployment
Backup via Git-History

5.2 Vercel Deployment

Konfiguration:

Framework: Digital Garden oder Obsidian Publish Alternative
Build Command: npm run build
Output Directory: dist/
Edge Network: Global CDN

Features:

Git-based Deployment: Jeder Commit = neuer Build
Preview Deployments: Für jede Branch
Edge Functions: Optional für dynamische Features
Analytics: Built-in Performance-Monitoring

5.3 Domain: www.leseesaal.de

Setup:

DNS-A-Record → Vercel Edge Network
SSL-Zertifikat (auto-provisioned)
Custom Domain-Konfiguration in Vercel Dashboard
Rewrite-Rules für saubere URLs

Vollautomatisierter Workflow

Schritt-für-Schritt

1. USER: Fotografiert Buchcover mit Smartphone
   ↓
2. USER: Sendet Foto via Telegram an Agent
   ↓
3. OPENCLAW: Empfängt Bild, speichert in Inbox
   ↓
4. AGENT (Buch): Sendet Bild an GLM LMM (Ollama)
   ↓
5. GLM: Analysiert Cover, extrahiert Metadaten
   ↓
6. AGENT (Recherche): Sendet Query an Perplexity Sonar
   ↓
7. PERPLEXITY: Verifiziert und ergänzt Daten
   ↓
8. AGENT (Katalog): Erstellt Markdown-Profil
   ↓
9. AGENT (Index): Aktualisiert alle 6 Index-Dateien
   ↓
10. AGENT (Publishing): Git commit + push
   ↓
11. GITHUB: Triggert Vercel Build
   ↓
12. VERCEL: Baut und deployt statische Seite
   ↓
13. LEESESAAL.DE: Buch ist live verfügbar

Gesamtdauer: ~30-60 Sekunden pro Buch

Technologie-Stack Zusammenfassung

Layer	Technologie	Zweck
Input	Telegram	Mobile Datenerfassung
Orchestration	OpenClaw	Agent-Management
Hardware	Mac mini Pro	Lokale Infrastruktur
Bildanalyse	GLM LMM + Ollama	KI-basierte Cover-Erkennung
Recherche	Perplexity Sonar API	Bibliografische Verifikation
Knowledge	Obsidian	Wissensdatenbank
Versioning	Git + GitHub	Quellcode-Management
Hosting	Vercel	Edge Deployment
Domain	leseesaal.de	Öffentliche Präsenz

Aktueller Stand (April 2026)

Bibliotheksbestand:

160 Bücher vollständig katalogisiert
6 Index-Systeme automatisch gepflegt
23 neue Bücher zuletzt hinzugefügt (Batch BK-0139 bis BK-0161)